数百台紫外线消毒机器人被运往中国,为抵御这场新冠病毒爆发贡献了自己的力量。
)。
而要说最不应该去的地方,医院绝对要排在第一位,因为这里总是聚焦着大量疑似及确诊病例。不过医护人员乃至病患本身,他们似乎别无选择。而为了防止新冠病毒及其他病原体在医院中传播,及时消毒就变得非常重要,然而负责清洁消毒的工作人员本身就面对着极大风险,因此,我们最好把这活儿交给自主机器人。
机器人可以根据需求,穿越走廊,上下电梯,在无需人工干预的情况下执行消毒任务并回到指定地点充电。
UVD Robots是一家来自丹麦的公司,致力于开发负责对病房及手术室进行消毒的自主机器人,这些机器人几乎能够在任何环境下完成消毒任务,它们身上安装有强大的阵列式短波UV-C(紫外线)灯,由此发出的能量,足以杀灭一切直接暴露在外的致病微生物的DNA或者RNA。
该公司的机器人已经在中国各地的医院中工作了两三个星期。UVD Robots公司CEO Per Juul Nielsen表示,他们正在努力向中国交付更多产品。Nielsen在采访中指出,“我们发出的第一批机器人有数百台,首先运往疫情最为严重的武汉地区。现在我们每周都要出货,考虑到中国各地真的很需要它们,所以各批次都走空运以节约物流时间。”他们的最终目标,是向中国超过2000家医院及医疗机构提供机器人。
紫外线消毒技术早在约一个世纪之前就已经诞生,当时人们主要用它进行饮用水消毒。不过我们经常见到的,大多是固定式紫外线消毒装置,这是因为紫外线灯需要直接照射目标表面几分钟才能有效。另外,由于紫外线对人类的皮肤及眼睛有害,所以还要考虑人员隔离问题。移动式紫外线消毒系统也有应用场景,人们把紫外线灯安装在推车上,用于飞机等特定场景下的消毒工作。但在拥有上百个病毒的医院这类大型环境中,紫外线系统的手动操作成本往往相当高昂,而且效果也难以保证,比如操作过程中漏掉了某些区域,或者没能持续照射足够长的时间。
接下来,人们对地图进行注释,标出所有房间,并设定在哪些情况下机器人应立即停止执行消毒任务。
此后,机器人会同时凭借定位加地图绘制(SLAM)实现环境导航,进而完成全自主操作。这些机器人可以根据需求穿越走廊,上下电梯,在无需人工干预的情况下执行消毒任务并回到指定地点充电。为了安全起见,它们只会在四下无人的时候运作,并在运动检测传感器发现周边有人时及时关闭紫外线灯。
UVD Robots认为,由于机器人在每一轮消毒中都严格遵循相同的流程,因此效果要比人类清洁更加可靠。此外,机器人拥有多种自主功能,因此用户可以指示它们完成其他有趣的任务,例如跟患者聊天。
这款机器人的开发初衷,在于解决医院内的获得性感染问题,这是个长久以来令全球医疗机构头痛不已的难题。根据Nielson的介绍,全球有5%-10%的病患会在住院期间不慎感染新的病毒,每年因此丧失的病人成千上万。UVD Robots的目标就是,帮助院方预防这类本不该发生的传染。
▲ 图:来自UVD Robots的一批机器人抵达武汉某医院,该医院于去年12月上报了全球第一例新冠病毒病例。
Nielsen表示,“新冠病毒来了,其在全球范围内的传播广度远远超过以往任何案例。正因为如此,我们的机器人在全世界迎来了一波需求高潮,它们的能力也将帮助人们有效抵御新冠病毒以及一切其他可能快速传播的病原体威胁。”
这些机器人的价格在8万-9万美元之间,适用于医疗设施场景。Nielson表示,“只要把它摆在院方面前,接下来的采购订单也就顺理成章了。单从消毒解决方案的角度来看,这款机器人比当今市面上的其他智能产品都更加智能,也更具成本效益。”目前,几百台这种机器人已经在40多个国家/地区工作,且最近刚刚在佛罗里达州完成了实际测试。未来几周内,它们将接受美国其他医疗机构的测试,并最终有望出现在学校、游轮以及其他空间结构较为明确的环境当中。
好文章,需要你的鼓励
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。